De kennislacune die AI creëert is de nieuwe beveiligingslacune. Hier volgt hoe u deze kunt dichten.

Techbedrijven zetten een vertrouwde inzet: dat AI het werk sneller en goedkoper kan doen dan mensen. Hoewel dit in veel gevallen waar kan zijn, wordt het ook gebruikt als een makkelijke knop voor ontslagen.

In een door PwC eerder dit jaar gepubliceerd rapport, 56% van de CEO’s zei dat ze nog geen significante financiële voordelen hadden gezien van hun AI-investeringen tot nu toe, en slechts 12% meldden dat ze kostenbesparingen en omzetgroei zagen door AI. Bovendien vond een studie van de National Bureau of Economic Research in februari dat bijna 90% van de bedrijven zei dat AI geen invloed had op werkgelegenheid of productiviteit in de afgelopen drie jaar. Dit onderstreept een revelerende waarheid: veel organisaties hebben nog geen omzet- en productiviteitsrendementen gezien die oorspronkelijk door AI waren beloofd, en om hun verliezen te dekken, gaan ze door met het ontslaan van duizenden werknemers.

Maar hier is wat de winstcalls niet zeggen: wanneer u de accountmanager elimineert die tien jaar aan relatiecontext in zijn hoofd draagt, of de QA-engineer wiens institutionele kennis de enige is die defecten vangt voordat ze bij klanten terechtkomen, snijdt u geen vet weg. U snijdt dragende muren weg. De herwerkkosten, de klantchurn, de kwaliteitsfouten die volgen, komen zelden voor in hetzelfde presentatie waarin de reductie van het personeelsbestand werd gevierd. Ze worden stilzwijgend opgenomen in toekomstige kwartalen, toegeschreven aan marktomstandigheden en vergeten. De kloof tussen wat AI-gedreven herstructurering belooft en wat het daadwerkelijk levert, is echt, het groeit en voor veel organisaties blijft het volledig onerkend.

De echte kosten van deze cyclus komen niet op één plek terecht. Ze verspreiden zich over elk team dat overblijft na de reductie. Ontwikkelaars nemen de werklast van de ingenieurs over die weg zijn, terwijl ze tegelijkertijd AI-hulpmiddelen krijgen die nog steeds te onvolwassen zijn om de verloren hoofdtelling te compenseren. Productteams verliezen de context die de wegenkaarten verankerde in de realiteit van de klant. Ondersteuningsorganisaties worden dun uitgespreid en de kwaliteit van de reactie verslechtert, omdat klanten onmiddellijk “slop”-antwoorden op hun tickets herkennen. De last is niet geconcentreerd, het is verdeeld, en die diffusie is een deel van wat het zo makkelijk maakt om het te negeren in een kwartaalrapport. Maar binnen die bredere verspreiding, krijgen IT-teams een aparte en cumulatieve versie van het probleem. Ze doen niet alleen meer met minder. Ze worden gevraagd om infrastructuur te beheren die snel is gebouwd, zonder de institutionele kennis die het coherent maakte, terwijl ze tegelijkertijd de uitstroom van vertrokken collega’s en de instroom van hun vervangers uitvoeren, omdat bedrijven stilletjes hun koers verleggen op de reducties die ze openlijk vierden.

Naarmate we het jaar doorlopen en organisaties proberen om de beloften van AI waar te maken, is het tijd om te beseffen dat er meer verloren gaat dan alleen omzet wanneer u menselijke expertise wegsnijdt in de naam van AI-geactiveerde efficiëntie. Het goede nieuws? U kunt het beste van beide werelden hebben. Maar dat vereist een meer praktische, pragmatische aanpak van AI. Eentje die mensen centraal stelt in uw strategie.

Wat verloren gaat wanneer kennis de deur uitloopt

Critische operationele kennis leeft in mensen en wordt toegepast door menselijke oordeel, niet door systemen. Wanneer die mensen vertrekken, vertrekt die kennis met hen. Ongeacht hoe geavanceerd het model is, kan AI die kloof niet vullen vandaag.

Zelfs terwijl AI-mogelijkheden uitbreiden, creëert automatisering zonder genuanceerde context gevaarlijke blinde vlekken in kritieke gebieden:

• Oordeel en strategie: Intuïtie, institutionele kennis en marktbewustzijn leven niet netjes in datasets, zelfs niet in ongestructureerde.
• Context en situatiebewustzijn: Mensen herkennen nuances, intenties en kunnen de grijze gebieden navigeren waarin rigide regels kunnen breken.
• Empathie en vertrouwen: Hoog-impact- of emotioneel geladen momenten (vooral die welke klanten of werknemers betreffen) eisen een mensgerichte reactie.
• Toezicht en verantwoordelijkheid: Iemand moet verantwoordelijk zijn voor het identificeren van fouten, vooroordelen of het voorkomen van misinformatie. Het simpelweg zeggen: “U hebt gelijk, laat me het nog een keer proberen”, na het geven van volledig onjuiste informatie, is niet voldoende.
• Institutionele geheugen en systeemcontext: Begrijpen waarom teams infrastructuur op een bepaalde manier hebben gebouwd (of niet), wat ze eerder hebben geprobeerd en welke randgevallen bestaan die niemand heeft gedocumenteerd.
• Leiderschap en bestuur: Het definiëren van beleid, risicotolerantie en het vasthouden aan ethische grenzen blijft een fundamentele menselijke verantwoordelijkheid.

AI kan inzichten naar boven brengen, acties aanbevelen en uitvoering versnellen, maar het kan geen institutioneel geheugen vervangen dat rampen voorkomt, of de verantwoordelijkheid bieden die ze vangt voordat ze escaleren.

Wat slimme organisaties anders doen

Organisaties die succesvol zijn met AI, verwijderen mensen niet uit de vergelijking. Ze gebruiken AI om de saaie, herhalende processen te stroomlijnen die wrijving toevoegen aan de dagelijkse operaties. Vrijmaken van mensen om tijd en andere kritieke middelen elders te besteden om nieuwe creatieve manieren te vinden om grotere bedrijfsvoordelen te behalen. Ze gebruiken AI als een “race-with”-tool om te forceren. Overweeg de wereld van IT-operaties. Deze teams zijn al dun uitgespreid, beheren uitgebreide infrastructuur met beperkte middelen. AI, of misschien meer specifiek, machine learning (ML), kan hier echte waarde leveren. AI/ML kan taken automatiseren die eerder tijdrovend en saai waren en waardevolle, specialistische experts in operationele rompslomp begraven: patchtesting en onderzoek, ticketclassificatie, workflowgeneratie, ontdekking en risicokaart.

Deze taken vormen de basis van IT-operaties, maar ze consumeren enorme hoeveelheden tijd (vooral als de digitale bezittingen van een organisatie zich uitbreiden, het kwetsbaarheidslandschap verschuift en werknemers steeds meer verwachten een positieve digitale ervaring te hebben met de apparaten die ze gebruiken om te werken). Wanneer teams falen om de basis goed te doen (beheren of monitoren van deze capaciteiten en processen) omdat ze onder water staan, slaan de gevolgen hard toe: downtime, gemiste patches, datalekken, beveiligingsinbreuken.

Aan de andere kant, wanneer u AI goed gebruikt om werk in deze gebieden te stroomlijnen, geeft u IT-personeel de tijd om te doen wat AI niet kan: technische schuld aflossen, bestaande systemen en processen verbeteren, herarchitecten voor veerkracht en het institutionele geheugen bewaren dat kritieke systemen in werking houdt. Dat is meer dan alleen efficiëntie. Het is risicobeperking. En dat legt een steviger fundament voor langetermijngroei.

AI-adoptie goed doen

Organisaties die beginnen met doordachte AI-toepassing en -adoptie, en die ook prioriteit geven aan beveiligde, effectieve inzet, zullen (en zullen blijven) grotere overwinningen zien van hun AI-strategieën. Optimalisatie komt niet van het snijden in mensen. Het komt van investeren in hen, workflows opnieuw ontwerpen en teams onderwijzen over hoe AI het beste te gebruiken.

Dit is eigenlijk niets nieuws. Technologie heeft door generaties heen vooruitgang geboekt. Elke keer herhalen we dezelfde fouten. We draaien te ver door en proberen een specifieke vooruitgang te maken tot een universeel medicijn voor alles wat ons dwarszit. Er is geen gebrek aan kwakzalvers die daarvan profiteren, die te veel beloven en verdwijnen voordat de resultaten kunnen worden gemeten. De realiteit is dat AI/ML kan doen wat computers altijd hebben gedaan; bepaalde taken uitvoeren met een hogere snelheid en nauwkeurigheid dan een mens. Diegenen die die kansen vinden en AI op een pragmatische, “race-with”-manier toepassen, zullen zeer snelle rendementen op hun investering zien. Praktisch gezien betekent dit:

• AI gebruiken om lage-waarde-taken te elimineren, niet hoge-waarde-oordelen
• Human-in-the-loop-workflows ontwerpen voor het ontzien van hoge-impact-beslissingen
• Duidelijke escalatiepaden definiëren wanneer AI-systemen falen of onzekere resultaten produceren
• Uitdrukkelijke eigenaarschap toewijzen voor AI-gedreven beslissingen
• Teams trainen om AI-uitvoer te onderzoeken, niet blindelings te accepteren

De echte kosten van het fout doen

De huidige cyclus van massale ontslagen in de technologie-industrie, gevolgd door stille heraanwerving, is geen talentverschuiving. Het is een overdracht van risico. Organisaties ruilen decennia aan institutioneel geheugen in voor een paar maanden aan geautomatiseerde snelheid, en IT-leiders zijn degene die de verantwoordelijkheid hebben om de gevolgen te beheren.

AI biedt echte voordelen, maar die betekenen het meest wanneer u AI gebruikt om expertise te behouden en te versterken, niet om het te vervangen. De bedrijven die zullen blijven floreren in de AI-tijdperk, zijn niet degene die het diepst snijden of de meeste AI-hulpmiddelen inzetten. Ze zijn degene die AI op een weloverwogen manier gebruiken om saaiheid te automatiseren en menselijke creativiteit, samenwerking en expertise te versterken.

Omdat wanneer het volgende systeem faalt, of de volgende uitval of cybersecurity-incident optreedt, u geen robot of machine aan de voorzijde van systeemherstel of klantcommunicatie wilt. Dat is waar u de persoon met diepe historische context en kennis nog in het gebouw wilt (en nodig hebt).

Als we de volledige potentie van AI willen ontsluiten, is het cruciaal om ons te concentreren op het gebruik van AI voor taken die zijn omgeven door saaiheid, en stoppen met het gebruiken van AI als excuus voor slechte bedrijfsprestaties.